Nano: Complete public six-language translation; machine-assisted draft with terminology and markup checks

2026-10-08T14:23:41Z

Complete public six-language translation; machine-assisted draft with terminology and markup checks

New page

= Машинное обучение =
[[File:Patch_clamp_schematic_1.png|thumb|right|320px|Концепции патч-клампа и одноканальной электрофизиологии применимы к измерениям нанопор. Источник: Wikimedia Commons, CC BY-SA 4.0.]]
'''Машинное обучение''' в исследованиях нанопор означает вычислительные методы, которые изучают закономерности в исходных электрических сигналах, ридах после basecalling, выравниваниях и данных контроля качества. Это важно, поскольку измерения нанопор длительны, содержат шум, зависят от контекста и часто выполняются в реальном времени.

== Почему это важно ==
Устройства нанопор измеряют изменения ионного тока или связанных с ним сигналов, когда молекулы проходят через пору или взаимодействуют с ней. Одна и та же молекула может давать разные следы сигнала в зависимости от химического состава пор, скорости двигателя, температуры, подготовки образца, электроники и соседних оснований. Машинное обучение помогает связать эти переменные сигналы с биологической или химической интерпретацией.

Основные области применения включают:
* '''Определение последовательности оснований (basecalling)''' - преобразование необработанного сигнала в последовательность ДНК или РНК.
* '''Обнаружение модифицированной базы''' - выявление метилирования и других модификаций нуклеотидов непосредственно по сигналу.
* '''Сегментация сигнала''' — обнаружение событий, остановок, адаптеров, пор и границ чтения.
* '''Контроль качества''' — прогнозирование надежности чтения, состояния пор, загрязнения и производительности работы.
* '''Адаптивная выборка''' — принятие решения в реальном времени, стоит ли продолжать секвенирование молекулы.
* '''Анализ вариантов и консенсуса''' — объединение длинных чтений и профилей ошибок на основе модели.

== Типичные задачи ==
{| class="wikitable"
! Задача!! Типичный ввод!! Пример вывода !! Почему это сложно
|-
| Basecalling || Исходный сигнал тока или сигнал POD5/FAST5 || Риды FASTQ с оценками качества || Скорость прохождения сигнала изменяется, а соседние основания влияют на уровни тока.
|-
| Обнаружение модифицированной базы || Выравнивание сигнала и эталона || 5mC, 5hmC, m6A или другие вызовы модификаций || Модифицированные и немодифицированные базы могут иметь тонкие, зависящие от контекста различия в сигналах.
|-
| Адаптивная выборка || Потоковый сигнал или предварительная последовательность после basecalling || Решение принять или отклонить молекулу || Решение должно быть достаточно быстрым для действия во время секвенирования.
|-
| Обнаружение событий || Текущая трассировка временного ряда || События-кандидаты на перемещение или связывание || Шум, дрейф, изменение пор и короткие события могут скрыть границы.
|-
| Запуск мониторинга || Сводная информация о секвенировании, длина считывания, состояние пор, показатели качества || Оповещения и сводки по качеству || Показатели меняются со временем и зависят от протокола.
|}

== Яркие примеры ==
* '''ДипНано''' использовал рекуррентные нейронные сети для раннего открытого basecalling данных MinION и показал, как обученные модели могут уменьшить ошибки нанопоровых ридов.
* '''Минвызов''' исследовал сквозное определение последовательности оснований сверточной нейронной сетью с моделированием последовательности в стиле CTC.
* '''Бонито, Гуппи и Дорадо''' представляют современные направления нейросетевого basecalling, применяемые в процессах Oxford Nanopore.
* '''Программы basecalling с динамическим пулингом''' , такие как Heron и Osprey, решают проблему переменной скорости транслокации молекул путем адаптации поведения пула в нейронных сетях.
* '''Basecalling с учетом аппаратной платформы''' проекты, такие как RUBICON, исследуют способы ускорения нейросетевых программ basecalling и уменьшения их потребления памяти.
* '''Инструменты на модифицированной основе''' , такие как модели сигналов в стиле нанополировки и новые нейронные подходы, поддерживают анализ прямого метилирования или модификации без преобразования бисульфита.
* '''Инструменты адаптивной выборки''' использует быстрый анализ сигналов или последовательностей для обогащения мишеней или удаления нежелательных молекул во время анализа.

== Передовая практика ==
Результаты машинного обучения следует интерпретировать в экспериментальном контексте. Модель, обученная на одном химическом составе пор, наборе, организме, базовой модификации или версии программного обеспечения, может не идеально переноситься на другую. В отчетах должны быть указаны версия модели, химический состав, данные обучения или калибровки, эталонный геном, пороговые значения и метод проверки, где это возможно.

== Распространенные ошибки ==
* Рассматривать выходные данные модели как основную истину без ортогональной проверки.
* Сравнение инструментов с разным химическим составом пор или версий Basecaller без контроля.
* Игнорирование калибровки, дисбаланса классов и частоты ложноположительных результатов при анализе с модифицированной базой.
* Сообщается только о точности на уровне чтения, игнорируя согласованную точность или точность последующих задач.
* Использование фирменных названий моделей без записи версий и параметров программного обеспечения.

== Избранные статьи и ресурсы ==
* Boza V, Brejova B, Vinar T. [https://arxiv.org/abs/1603.09195 DeepNano: Deep Recurrent Neural Networks for Base Calling in MinION Nanopore Reads]. 2016.
* Wick RR, Judd LM, Holt KE. [https://genomebiology.biomedcentral.com/articles/10.1186/s13059-019-1727-y Performance of neural network basecalling tools for Oxford Nanopore sequencing]. ''Genome Biology''. 2019.
* Miculinic N, Ratkovic M, Sikic M. [https://arxiv.org/abs/1904.10337 MinCall: MinION end-to-end convolutional deep learning basecaller]. 2019.
* Kovaka S, Fan Y, Ni B, Timp W, Schatz MC. [https://www.nature.com/articles/s41587-020-0731-9 Targeted nanopore sequencing by real-time mapping of raw electrical signal with UNCALLED]. ''Nature Biotechnology''. 2021.
* Boza V, Peresini P, Brejova B, Vinar T. [https://arxiv.org/abs/2105.07520 Dynamic Pooling Improves Nanopore Base Calling Accuracy]. 2021.
* Singh G et al. [https://arxiv.org/abs/2211.03079 RUBICON: A Framework for Designing Efficient Deep Learning-Based Genomic Basecallers]. 2022.
* Wang Z et al. [https://www.nature.com/articles/s41467-024-51639-5 Adapting nanopore sequencing basecalling models for modification detection via incremental learning and anomaly detection]. ''Nature Communications''. 2024.
* Oxford Nanopore Technologies. [https://github.com/nanoporetech/dorado Программа basecalling Dorado и связанные инструменты].

== Связанные страницы ==
* [[Nanopore sequencing|Нанопоровое секвенирование]]
* [[Bioinformatics|Биоинформатика]]
* [[Data analysis|Анализ данных]]
* [[Event detection|Обнаружение событий]]
* [[Noise and filtering|Шум и фильтрация]]

<languages />

Machine learning/ru - Revision history

Nano: Complete public six-language translation; machine-assisted draft with terminology and markup checks